机器地图及其概念模型

1 引言

随着人工智能、5G、物联网等技术的发展，机器人与人共融共生态势已悄然显现。无人自主平台（简称无人平台）作为一类典型的机器人系统，已广泛应用于无人作战、应急搜救、自动驾驶、导游服务等领域。例如自动驾驶汽车已经开始进入开放环境路测，搭载传感器的无人机可在野外环境中自由穿行，无人水面舰艇也为远海科考实验、反潜侦察提供了新手段。

美军从实战应用的角度，归纳出无人平台需要具备的5个共性自主能力，即思维、关注、移动、沟通和作业，以及制约其自主能力生成的5个技术瓶颈，包括：环境模型简单、感知对象与任务无关联、自主操控能力弱、任务理解和角色共享不够、知识学习能力不足等。这五项技术瓶颈中前两项与环境建模有关，后三项与环境学习有关。可见，提高对复杂环境的自主认知能力，已成为推动无人平台发展的核心关键。

当前，机器人与计算机视觉领域对无人平台的环境建模与学习开展了十分有效的研究。Rosinol等提出了3D动态场景图，在多源传感器实时感知数据基础上，将地理实体、位置、结构及其关系进行建模形成环境语义模型。Zheng等学者设计了一个端到端的概率深度网络用于对复杂环境进行建模。该网络是包含多个抽象层次和空间尺度的统一深度学习网络，可对大规模地理环境建立拓扑视觉语义模型。

近年来，许多无人驾驶厂商和学者高度关注从顶视方向构建无人平台环境模型，提出了BEV（Bird's Eye View）模型。例如，美国无人驾驶厂商特斯拉公司利用BEV模型将多通道侧视方向的深度视觉特征投影转换到顶视方向，形成统一的顶视环境特征模型。但随着无人平台从简单环境走向复杂现实环境，现有以深度学习为代表的研究普遍面临着鲁棒性、适应性以及学习持续性等方面的问题。

测绘地理信息领域在自动驾驶环境模型方面也进行了持续研究，其典型成果是高精地图。刘经南等在经典的柯拉斯尼地图信息传输模型六元组基础上，提出了用七元组表示智能高精地图信息传输模型，并引入用户认知特征及需求构建智能高精地图模型。詹骄等围绕自动驾驶地图的数据标准，从数据结构、数据模型、地图表示、协同应用等方面进行了对比分析，对自动驾驶地图标准编制提出了原则建议。然而高精地图主要面向城市行车道路环境进行设计，且其测图、制图、用图主体并非一体，技术架构难以支撑对复杂环境的自主认知与运用。

从人类的空间认知机理看，人类具备建立复杂环境心象地图的先天能力，并运用该地图完成导航、规划、距离方位判断等各种空间任务。心象地图的图形记录主导了人类最早的地图绘制，促成了实用地图的产生，形成了大脑内外虚实结合的两套互补的地图系统，为人类认知环境、应用环境提供了有力支撑。实用地图具有严密的环境建模基础，心象地图具有强大的实况认知功能，能否将这两套地图系统在机器人"大脑"中实现有机融合，以提高机器人对复杂环境的建模与学习能力？

为此，本文提出"机器地图（Machine Map）"新概念：一种适用于无人平台认知理解环境信息、建立环境认知模型、进行空间推理决策的新型地图。借鉴心象地图形成机理以及地图学、人工智能、机器人等相关学科领域研究成果，提出机器地图的概念模型，为开展机器地图研究提供顶层框架和理论指导。

2 心象地图的启发

机器人与人工智能等学科，本身受生物行为、大脑工作机理等启发逐步发展而来，近年来又重新强调生物启发，是因为这对未来正确发展有很好的启迪作用。心象地图被认为是人类对环境的心理表征，能够支持路线规划、变更等各种空间行为。近年来神经科学研究证实了"心象地图"的存在。本文认为，机器地图与心象地图可视为不同主体空间认知的结果和工具，综合分析心象地图的研究成果，可为机器地图研究提供参考。

心象地图本质上是人类应对复杂生存环境而形成的生理机制，是大脑、身体和环境之间相互作用的结果，具有具身认知和持续学习的特点。心象地图的构建与运用过程可以用"感知-行动环"来概括（图1）。心象地图的构建起始于人对环境的感知，并作用于人的行动，而人的行动及新的感知信息又可以修正心象地图，从而再次作用于行动，形成一个连续不断的过程。

在此过程中嵌和着一个不断融合感知信息，进行诸如自我中心参考系和全局中心参考系之间的转换、视域外物体的距离与方向计算等复杂信息加工，形成多层次、多类型环境表征并指引空间行为的循环过程。近年来神经科学研究部分说明了人脑内部对心象地图的加工机制。人类大脑中存在着的位置细胞、边界细胞、网格细胞，奠定了人类识别自身位置、建立环境参考框架的基本模式。内嗅皮层、海马体和相关脑区形成的复杂记忆神经环路是空间导航、推理、决策等认知智能的核心物质基础，用来处理、整合感知和运动等多源信息。

记忆系统是探索心象地图结构组成的关键。通常认为，人类的记忆系统由感觉记忆、短时记忆和长时记忆组成（图2）。为了解释人在进行高级认知活动时所需的暂时信息加工与存储机制，有学者提出工作记忆的概念，以扩展原有的记忆三级模型。

感觉记忆也称为瞬时记忆，是在感觉刺激简短呈现后，以快速衰减的刺激形式短暂保留感官痕迹的短期记忆，持续时间在几百毫秒量级，可被重新编码为工作记忆和长时记忆。工作记忆对感觉记忆中的各种信息进行加工处理，形成既满足各种任务需求，也适宜长时记忆的各种信息形式。

在工作记忆中，存在多个单独存储不同形式信息的缓冲器，即语音回路、视觉空间模板和情境缓冲器。情境缓冲器存储了事件发生的时间、地点、事件、任务等要素，服务于后期有意识的回忆。空间工作记忆可以支持追踪周围的少量事物和在新环境中导航。但在熟悉的环境中，利用长时记忆中被统称为基于习惯的记忆系统、采用简单的联想奖励学习机制进行导航更有效。

长时记忆可以编码大尺度空间，将局部区分为一些有意义的块、将持续的经验流分割为时空情境记忆，并使用拐点、决策点等将局部记忆与全局记忆进行关联。长时记忆中也包含环境结构的知识框架，即图式。图式超越了直接经验，可以支持推理和泛化，允许人们预测不同场景中应采取的行动。

3 机器地图的概念模型

4 结论与展望

本文基于地图学的视角，交叉融合人工智能、机器人和认知科学的相关研究思路与成果，借鉴心象地图的作用功能，提出了适用于无人平台认知环境的新型地图——机器地图，并对其特征进行了分析。类比心象地图的构建与运用机制，结合人工认知系统的设计决策点和核心认知能力，给出了机器地图概念模型的设计原则，提出了"两环三图"的概念模型。该模型说明了机器地图与无人平台的内在联系，并勾勒出机器地图的功能部件与运行逻辑，为开展机器地图研究提供顶层框架和理论指导。类比心象地图的结构组成，提出了包含感知地图、工作地图和长时地图的机器地图逻辑构成，并分析了3类地图的内容与转化关系。

机器地图研究需要采取双向促进的研究路线：一方面，通过概念模型的演绎推理，促进对机器地图内涵与架构的理解；另一方面，通过机器学习与人工智能技术的不断发展，突破无人平台环境认知能力的限制，不断完善机器地图的技术框架。机器地图的研究，能够提升无人自主平台对于复杂环境的认知和学习能力，也为智能时代地图学的发展探索新路径，具有十分重要的意义。